一种路线推荐的方法、装置、存储介质及电子设备制造方法及图纸

本说明书公开了一种路线推荐的方法、装置、存储介质及电子设备，本说明书实施例在历史上用户执行配送业务时，获取为该用户提供的各备选路线以及该用户执行所述配送业务时的实际行驶路线，将所述各备选路线与所述实际行驶路线映射在预先划分的各区域块内，并将每个区域块作为一个轨迹点，将所述各备选路线中的每个轨迹点信息输入待训练的分类模型中，对所述待分类模型进行训练，得到训练后的分类模型，该用户执行后续配送业务时，将执行后续配送业务的各目标备选路线映射到区域块中，并输入训练后的分类模型内，进而为该用户推荐路线。这个过程无需获取路网信息，可避免获取路网信息耗时过长，需要实时维护和更新，捕捉偏僻路线的信息困难的问题。僻路线的信息困难的问题。僻路线的信息困难的问题。

【技术实现步骤摘要】
一种路线推荐的方法、装置、存储介质及电子设备


[0001]本说明书涉及计算机
，尤其涉及一种路线推荐的方法、装置、存储介质及电子设备。

技术介绍

[0002]现如今，随着科技的不断发展，配送行业的发展也十分迅速。其中，配送员执行配送业务时面对不同的导航路线，选择与实际行驶路线最接近的导航路线非常重要。
[0003]现有技术中，当配送员进行配送时，系统或第三方将提供多条备选路线，系统需要通过路网信息从已有的多条备选路线中选择一条路线作为推荐路线。
[0004]然而，现有技术中利用路网信息选择推荐路线时，获取路网信息需花费较长时间，并且需要不断更新和维护路网信息，当配送的终点处于偏僻地区时，路网信息捕捉就比较困难。

技术实现思路

[0005]本说明书实施例提供一种路线推荐的方法、装置、存储介质及电子设备，以部分解决上述现有技术存在的问题。
[0006]本说明书实施例采用下述技术方案：
[0007]本说明书提供的一种路线推荐的方法，包括：
[0008]获取历史上用户执行配送业务时为所述用户提供的各备选路线及历史上所述用户执行所述配送业务时的实际行驶路线；
[0009]分别将所述各备选路线和所述实际行驶路线映射在预先划分的各区域块内；
[0010]将每个区域块作为一个轨迹点；
[0011]以所述各备选路线作为训练样本，将所述各备选路线中每个轨迹点的信息输入待训练的分类模型中，得到所述待训练的分类模型从所述各备选路线中选择出的推荐路线；/>[0012]以所述推荐路线与所述实际行驶路线的差异最小化作为训练目标，对所述待训练的分类模型进行训练，得到训练后的分类模型，所述训练后的分类模型用于在所述用户执行后续配送业务时，从执行所述后续配送业务的各目标备选路线中为所述用户选择推荐路线。
[0013]可选地，将所述各备选路线中每个轨迹点的信息输入待训练的分类模型中，具体包括：
[0014]针对每条备选路线，根据该备选路线中的各轨迹点对应的区域块的标识，确定该备选路线中各轨迹点的第一特征向量；
[0015]将该备选路线中各轨迹点的第一特征向量输入所述待训练的分类模型中。
[0016]可选地，所述分类模型包括：第一子模型和第二子模型；所述第一子模型和所述第二子模型包括同一个长短记忆网络LSTM层；
[0017]将该备选路线中各轨迹点的第一特征向量输入所述待训练的分类模型中，具体包
括：
[0018]将该备选路线中各轨迹点的第一特征向量输入所述LSTM层，具体包括：
[0019]将该备选路线中各轨迹点的第一特征向量输入所述LSTM层。
[0020]可选地，所述第一子模型还包括注意力层和第一后处理层；
[0021]得到所述待训练的分类模型从所述各备选路线中选择出的推荐路线，具体包括：
[0022]针对该备选路线中的每个轨迹点，获得所述LSTM层根据该轨迹点的第一特征向量输出的该轨迹点的第二特征向量；
[0023]将该备选路线中每个轨迹点的第二特征向量输入所述注意力层，得到每个第二特征向量的注意力权重；
[0024]根据该备选路线中每个轨迹点的第二特征向量以及每个第二特征向量的注意力权重，得到该备选路线的路线特征向量；
[0025]将每条备选路线的路线特征向量输入所述第一后处理层，得到每条备选路线的第一推荐概率；
[0026]根据所述每条备选路线的第一推荐概率，从各备选路线中选择出推荐路线。
[0027]可选地，所述第二子模型还包括第二后处理层；所述第二后处理层中的模型参数用于确定所述各区域块中至少两个区域块之间的转移概率；
[0028]得到所述待训练的分类模型从所述各备选路线中选择出的推荐路线，具体包括：
[0029]针对该备选路线中的每个轨迹点，获得所述LSTM层根据该轨迹点的第一特征向量输出的该轨迹点的第二特征向量；
[0030]将该备选路线中各轨迹点的第二特征向量输入所述第二后处理层中，得到该备选路线中每两个相邻的轨迹点对应的区域块之间的转移概率；
[0031]根据该备选路线中每两个相邻的轨迹点对应的区域块之间的转移概率，确定该备选路线的第二推荐概率；
[0032]根据所述每条备选路线的第二推荐概率，从各备选路线中选择出推荐路线。
[0033]可选地，所述第二后处理层中的模型参数用于确定所述各区域块中每两个相邻的区域块之间的转移概率。
[0034]可选地，对所述待训练的分类模型进行训练，具体包括：
[0035]针对每条备选路线，根据所述第一子模型输出的该备选路线的第一推荐概率，以及该备选路线与所述实际行驶路线的相似度，确定对应于所述第一子模型的第一损失；
[0036]根据所述第一损失，确定所述待训练的分类模型的综合损失；
[0037]根据所述综合损失，对所述待训练的分类模型进行训练。
[0038]可选地，对所述待训练的分类模型进行训练，具体包括：
[0039]针对每条备选路线，根据所述第二子模型输出的该备选路线的第二推荐概率，确定对应于所述第二子模型的第二损失；
[0040]根据所述第二损失，确定所述待训练的分类模型的综合损失；
[0041]根据所述综合损失，对所述待训练的分类模型进行训练。
[0042]可选地，确定所述待训练的分类模型的综合损失，具体包括：
[0043]根据对应于所述第一子模型的第一损失的第一权重，对所述第一损失进行加权；根据对应于所述第二子模型的第二损失的第二权重，对所述第二损失进行加权；
[0044]根据所述第一权重和所述第二权重，确定第三损失，其中，所述第三损失与所述第一权重和所述第二权重均呈负相关；
[0045]根据加权后的第一损失、加权后的第二损失和所述第三损失，确定综合损失；
[0046]根据所述综合损失，对所述待训练的分类模型进行训练，具体包括：
[0047]以所述综合损失最小化为训练目标，对所述第一子模型中的模型参数、所述第二子模型中的模型参数以及所述第一权重和第二权重进行调整。
[0048]可选地，所述方法还包括：
[0049]所述用户执行后续配送业务时，将执行所述后续配送业务的各目标备选路线输入训练后的分类模型中，得到第一子模型输出的每个目标备选路线的第一推荐概率和第二子模型输出的每个目标备选路线的第二推荐概率；
[0050]针对每个目标备选路线，根据该目标备选路线的第一推荐概率以及训练后的第一权重，确定该目标备选路线加权后的第一推荐概率，根据该目标备选路线的第二推荐概率以及训练后的第二权重，确定该目标备选路线加权后的第二推荐概率；
[0051]根据该目标备选路线加权后的第一推荐概率和加权后的第二推荐概率，确定该目标备选路线的综合推荐概率；
[0052]根据每个目标备选路线的综合推荐概率，从所述各目标备选路线中选择推荐路本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路线推荐的方法，其特征在于，包括：获取历史上用户执行配送业务时为所述用户提供的各备选路线及历史上所述用户执行所述配送业务时的实际行驶路线；分别将所述各备选路线和所述实际行驶路线映射在预先划分的各区域块内；将每个区域块作为一个轨迹点；以所述各备选路线作为训练样本，将所述各备选路线中每个轨迹点的信息输入待训练的分类模型中，得到所述待训练的分类模型从所述各备选路线中选择出的推荐路线；以所述推荐路线与所述实际行驶路线的差异最小化作为训练目标，对所述待训练的分类模型进行训练，得到训练后的分类模型，所述训练后的分类模型用于在所述用户执行后续配送业务时，从执行所述后续配送业务的各目标备选路线中为所述用户选择推荐路线。2.如权利要求1所述的方法，其特征在于，将所述各备选路线中每个轨迹点的信息输入待训练的分类模型中，具体包括：针对每条备选路线，根据该备选路线中的各轨迹点对应的区域块的标识，确定该备选路线中各轨迹点的第一特征向量；将该备选路线中各轨迹点的第一特征向量输入所述待训练的分类模型中。3.如权利要求2所述的方法，其特征在于，所述分类模型包括：第一子模型和第二子模型；所述第一子模型和所述第二子模型包括同一个长短记忆网络LSTM层；将该备选路线中各轨迹点的第一特征向量输入所述待训练的分类模型中，具体包括：将该备选路线中各轨迹点的第一特征向量输入所述LSTM层。4.如权利要求3所述的方法，其特征在于，所述第一子模型还包括注意力层和第一后处理层；得到所述待训练的分类模型从所述各备选路线中选择出的推荐路线，具体包括：针对该备选路线中的每个轨迹点，获得所述LSTM层根据该轨迹点的第一特征向量输出的该轨迹点的第二特征向量；将该备选路线中每个轨迹点的第二特征向量输入所述注意力层，得到每个第二特征向量的注意力权重；根据该备选路线中每个轨迹点的第二特征向量以及每个第二特征向量的注意力权重，得到该备选路线的路线特征向量；将每条备选路线的路线特征向量输入所述第一后处理层，得到每条备选路线的第一推荐概率；根据所述每条备选路线的第一推荐概率，从各备选路线中选择出推荐路线。5.如权利要求3所述的方法，其特征在于，所述第二子模型还包括第二后处理层；所述第二后处理层中的模型参数用于确定所述各区域块中至少两个区域块之间的转移概率；得到所述待训练的分类模型从所述各备选路线中选择出的推荐路线，具体包括：针对该备选路线中的每个轨迹点，获得所述LSTM层根据该轨迹点的第一特征向量输出的该轨迹点的第二特征向量；将该备选路线中各轨迹点的第二特征向量输入所述第二后处理层中，得到该备选路线中每两个相邻的轨迹点对应的区域块之间的转移概率；根据该备选路线中每两个相邻的轨迹点对应的区域块之间的转移概率，确定该备选路
线的第二推荐概率；根据所述每条备选路线的第二推荐概率，从各备选路线中选择出推荐路线。6.如权利要求5所述的方法，其特征在于，所述第二后处理层中的模型参数用于确定所述各区域块中每两个相邻的区域块之间的转移概率。7.如权利要求4所述的方法，其特征在于，对所述待训练的分类模型进行训练，具体包括：针对每条备选路线，根据所述第一子模型输出的该备选路线的第一推荐概率，以及该备选路线...

【专利技术属性】
技术研发人员：宋亚统，陈丽影，陈水平，
申请(专利权)人：北京三快在线科技有限公司，
类型：发明
国别省市：